计量经济学经典eviews 离散和受限因变量模型

离散和受限因变量模型
前面所描述的回归方法要求能在连续和无限制的规模上观察到因变量。

然而，也经常出现违背上述条件的情形，即产生非连续或受限因变量。

我们将会识别三种类型的变量：
1．定性（在离散或排序的规模上）；
2．审查或截断；
3．整数估值（计数数据）。

在这章里我们讨论这几种定性和受限因变量模型的估计方法。

EViews 提供了二元或排序（普罗比特probit 、逻辑logit 、威布尔gompit ），审查或截断（托比特tobit 等），和计数数据模型的估计程序。

§17.1 二元因变量模型
二元因变量模型（Binary Dependent V ariable Models ）估计方法主要发展与20世纪80年代初期。

普遍应用于经济布局、企业定点、交通问题、就业问题、购买决策领域的研究。

例如，公共交通工具和私人交通工具的选择问题。

选择利用公共交通工具还是私人交通工具，取决于两类因素：一类是诸如速度、耗费时间、成本等两种交通工具所具有的属性；一类是决策个体所具有的属性，诸如职业、年龄、收入水平、健康状况等。

从大量的统计中，可以发现选择结果与影响因素之间具有一定的因果关系。

研究这一关系对制定交通工具发展规划无疑是十分重要的。

在本节介绍的模型中，因变量y 只具有两个值：1或者0。

y 可能是代表某一事件出现的虚拟变量，或者是两种选择中的一种。

例如，y 可能是每个人（被雇佣或不被雇佣）雇用状况的模型，每一人在年龄、教育程度、种族、婚姻状况和其它可观测的特征方面存在差异，我们将其设为x 。

目标是将个体特征和被雇用的概率之间的关系量化。

假定一个二元因变量y ，具有0和1两个值。

y 对x 简单的线性回归是不合适的。

而且从简单的线性回归中得到y 的的拟合值也不局限于0和1之间。

替代地，我们采用一种设定用于处理二元因变量的特殊需要。

假定我们用以下模型刻画观察值为1的概率为：
Pr )(1),1(ββi i i x F x y '--==
这里F 是一个连续、严格单调递增的函数，它采用实际值并返回一个介于0和1之间的数。

F 函数的选择决定了二元模型的类型。

可以得到
Pr )(),0(ββi i i x F x y '-==
给出了这样的设定以后，我们能用极大似然估计方法估计模型的参数。

极大似然函数为 ∑=--+'--==n i i i i i x F y x F y
L 0))(log )1())(1log(()(log )(ββββ
极大似然函数的一阶条件是非线性的，所以得到参数估计需要一种迭代的解决方法。

缺省地，EViews 使用二阶导数用于参数估计的协方差矩阵的迭代和计算。

有两种对这种设定的重要的可选择的解释。

首先，二元变量经常作为一种潜在的变量规定被生成。

假定有一个未被观察到的潜在变量*i y ，它与x 是线性相关的：
i i i u x y +'=β*
这里i u 是随机扰动。

然后被观察的因变量由*i y 是否超过临界值来决定
⎪⎩⎪⎨⎧≤>=000
1*
*i i i y if y if y
为了估计一个二元因变量模型，从主菜单中选择Object/New Object/Equation 选项。

从Equation
Specification 对话框中，选择Binary estimation method 。

EViews 既允许你计算拟合概率，)ˆ(1ˆβx F p
'--=，也可以计算指标β
ˆx '的拟合值或预测值。

§17.2 排序因变量模型
在实际经济生活中，经常会遇到多元离散选择问题。

例如，一类问题是将选择对象按照某个准则排队，由决策者从中选择，称为排序因变量模型(Ordered Dependent V ariable Models)。

在排序因变量模型中，被观察的y 指出了代表排序或排列的种类的结果。

例如，我们可以观察选择处于四种教育结果之一的个体：低于高中、高中、大学、高级学位。

或者我们也可以观察被雇用、半退休、全退休的个体。

或者是选举问题，选举哪一个候选人。

如同在二元因变量模型中，我们可以通过考虑线性地依赖于解释变量x 的潜在变量*i y 模仿被观察的反应。

εβ+'=i i x y *
这里ε是一个独立的，分布可识别的随机变量。

被观察的i y 由*i y 根据以下规则确定：
⎪⎪⎩⎪⎪⎨⎧<≤<≤=*
2*11*10i M i i i y if M y if y if y γγγγ i γ是临界值。

M 是分类的个数。

为了估计这个模型，从Equation Specification 对话框，选择估计方法Ordered 。

§17.3 检查回归模型
受限被解释变量（Limited dependent variable ）指被解释变量的观测值是连续的，但是受到某种限制，得到的观测值并不反映被解释变量的实际状态。

例如在一些环境中，只能部分地观察到因变量。

在调查数据中，在特定水平之上的收入数据经常被编成密码以保护其机密性。

这类问题经常出现在“检查”、“调查”活动中，因此也称为“检查(Censored Regression Models)。

例如，以居民对某一种商品的需求量为解释变量，建立需求函数模型。

需求量的观测值是无法得到的，一般用实际购买量作为需求量的观测值。

如果这种商品是限量购买的，正象我国过去长期所实行的那样，比如每户最多只能购买100，那么得到的观测值将处于0与100之间，而且会有相当比例的观测值为100。

对于购买量小于100的个体，有理由认为这个购买量代表了他的需求；但是对于购买量等于100的个体，他的需求量很可能是大于100，所以这个购买量并不代表了他的需求量。

也就是说，凡是实际需求量大于100的，都用100作为样本观测值，等于是将大于100的观测值作了归并。

这类问题在微观经济活动调查中普遍存在。

从这样的样本数据出发，如果采用经典的方法估计模型，显然是不合适的。

EViews 提供了工具用于完成这些模型的最大似然估计，并将这些结果用于进一步分析。

考虑下面的潜在变量回归模型
σεβ+'=i i x y *，
这里σ是一个比例参数。

注意同二元因变量模型相比，比例参数σ被识别出来，并将同β一起被估
计。

在规范的检查回归模型中，被称作tobit ，被观察的数据y 由下式给出：
⎪⎩⎪⎨⎧>≤=00
0*
**i i i y if y y if y
换句话说，*i y 的所有负值被定义为0值。

我们称这些数据在0处进行了左归并（left censored ）。

更一般地，Eviews 允许在任意有限点上的左边和右边截取（归并），所以
⎪⎩⎪⎨⎧≤<<≤=****i i i
i i i i i i i i y c if c c y c if y c y if c y 这里i c ，i c 是代表归并点的固定数值。

为估计此模型，从Equation Specification 对话框，选择Censored
估计方法。

§17.4 截断回归模型
截断回归模型（Truncated Regression Models ）也是受限因变量模型的一种。

截断问题，即“掐头”或“去尾”。

即不能从全部个体，而只能从一部分个体中随机抽取因变量的样本观测值，而这部分个体的观测值都大于或者小于某个确定值。

例如，用居民收入为因变量建立居民收入模型。

从理论上讲，居民收入样本数据应该从0到无穷大，但是由于客观条件所限，只能在收入处于某一数值以上或者某一数值以下的个体中取得样本观测值。

当因变量小于一个临界值或大于另一个临界值，观察值都无法观察到。

一般的两个有限点的截断回归模型可以表示如下：
i i i x y εβ+'=
i i i i c x c <+'<εβ。

如果没有较低的截断点，那么我们将设-∞=i c 。

如果没有较高的截断点，那么我们将设∞=i c 。

为估计此模型，从Equation Specification 对话框，选择Censored 估计方法。

再选择Truncated sample 选项估计截断模型。

§17.5 计数模型
当y 取代表事件发生次数的整数值时，使用计数模型(Count Models)。

例如，一个公司提出申请的专利的数目，和在一个固定的时间间隔内经历的失业人数段的数目。

Eviews 提供了对于计数数据的几个模型估计的支持。

除了标准泊松和负的二项式的极大似然（ML ）设定，Eviews 为计数数据提供了大量的准极大似然（QML ）的估计量。

为估计此模型，从Equation Specification 对话框，选择Count 估计方法，在对话框中键入因变量和解释变量回归项，必须通过列表指定模型，然后选择一种计数模型的类型，如果需要的话，设置Option 选项项。